Formations MATLAB et Simulink

La conduite autonome avec MATLAB

Afficher le calendrier et s'inscrire

Détails de la formation

Cette formation de deux jours apporte une expérience pratique sur le développement et la vérification des algorithmes de perception pour la conduite autonome. Des exemples et exercices vous montreront l'usage approprié des fonctionnalités de MATLAB® et de l'Automated Driving Toolbox™.

Les sujets traités sont les suivants :

  • Etiquetage de données de vérité-terrain
  • Visualisation de données des capteurs
  • Détection de voies et les véhicules
  • Traitement de nuages de points lidar
  • Tracking et fusion de capteurs
  • Génération de scénarios de conduites et modèles capteurs

Jour 1


Etiquetage de données de vérité-terrain

Objectif: Etiqueter interactivement les données de vérité-terrain provenant d'une vidéo ou d'une séquence d'images. Automatisation de cet étiquetage avec les algorithmes de détection et de suivi.

  • Vue d'ensemble de l'app Ground Truth Labeler
  • Etiquetage des régions d'intérêt (ROI) et de scènes.
  • Automatisation de l'étiquetage
  • Vue et exportation des résultats des données terrain

Visualisation de données des capteurs

Objectif: Visualiser la détection dans les trames des caméras, radars et lidar. Utilisation des systèmes de coordonnées appropriées pour transformer les coordonnées image en coordonnées véhicule et vice versa.

  • Création d'un graphe en vue d'oiseau
  • Tracé d'une zone de couverture des capteurs
  • Visualisation des détections et de la voierie
  • Conversion des coordonnées véhicule aux coordonnées image
  • Annotation des vidéos avec détections et délimitation des voies

Détection de voies et les véhicules

Objectif: Segmentation et modélisation parabolique des frontières des voies. Utilisation de détecteurs d'objets pré entrainés pour la détection de véhicule.

  • Transformée en vue d'oiseau
  • Détection des caractéristiques d'une voie
  • Modélisation des voies
  • Validation des détecteurs de voies avec les données de vérité-terrain
  • Détection de véhicules avec les détecteurs d'objets pré entrainés

Traitement de nuages de points lidar

Objectif: Travailler avec des données stockées dans un format de nuage de points en 3-D. Importer, visualiser et traiter les points d'un nuage en les segmentant dans des groupes. Recaler des nuages de points pour les aligner et construire une carte globale de nuages de points.

  • Importation et visualisation de nuages de points
  • Traitement de nuages de points
  • Segmentation d'objets à partir de données lidar
  • Construction d'une carte à partir de données lidar

Jour 2


Fusion de données de capteurs et suivi

Objectif: Créer des algorithmes de suivi d'objets multiples agrégant les informations de plusieurs capteurs comme des caméras, des radars et des lidars.

  • Suivi d'objets multiples
  • Prétraitement des détections
  • Utilisation de filtres de Kalman
  • Gestion d'objets multiples
  • Suivi d'objets multiples

Suivi d'objets étendus

Objectif: Créer un suiveur PHD (Probability Hypothesis Density) qui servira à suivre des objets étendus et estimer leurs positions et tailles.

  • Définition de la configuration des capteurs
  • Suivi des objets étendus
  • Estimation de la taille et de la position des objets étendus

Génération de scénarios de conduites et modèles capteurs

Objectif: Créer interactivement les scénarios de conduite et des radars synthétiques et des capteurs de détection pour tester les algorithmes de perception pour la conduite autonome.

  • Vue d'ensemble de l'app Driving Scenario Designer
  • Création des scénarios avec les rues, acteurs et capteurs
  • Simulation et visualisation des scénarios
  • Génération et exportation des scénarios de détection
  • Test des algorithmes avec les scénarios

Niveau: Intermédiaire

Pré-requis:

Durée: 2 jours

Langues: English, 한국어

Afficher le calendrier et s'inscrire